Los autores introducen memoria persistente selectiva compartida para sistemas de LLMs agentes para abordar la pérdida de contexto que ocurre cuando las sesiones comienzan desde cero. Esta arquitectura identifica y retiene el contexto reutilizable —como especificaciones de tareas, esquemas de datos, configuraciones de herramientas y restricciones de salida— mientras descarta los rastros de razonamiento específicos de la sesión.
- Alcanza un 96% de finalización de tareas en tres escenarios empresariales, en comparación con el 79% sin memoria y el 71% con historial completo.
- Implementa un mecanismo de actualización de datos con cero tokens que desacopla los programas generados de los datos en tiempo de ejecución, reduciendo el tiempo de la tarea por 14x.
- Reduce el costo de tokens por invocación en 97x frente a la inyección de datos sin procesar utilizando generación basada en resúmenes.
- Demuestra generalización en cuatro conjuntos de datos públicos, con actualización de cero tokens teniendo éxito en las 12 pruebas.
El enfoque permite la reutilización colaborativa de espacios de trabajo sin especificaciones redundantes y evita la degradación causada por la persistencia ingenua del historial completo.